余 華，吳文全

(1.武漢東湖學院 電子信息工程學院，武漢 430212；2.海軍工程大學 電子工程學院，武漢 430033)

0 引言

在現(xiàn)代農(nóng)機導航系統(tǒng)中，機器視覺部分是導航系統(tǒng)的核心。為了實現(xiàn)農(nóng)機的自主導航，機器視覺部分一般采用圖像分割識別技術(shù)，對農(nóng)作物的果實進行自主識別，為了實現(xiàn)這個過程，需要借助相關(guān)的智能學習算法。神經(jīng)網(wǎng)絡(luò)算法是一種最常用的機器學習方法，其計算精度受到輸入輸出層和隱含層的權(quán)值的影響較大。為了提高神經(jīng)網(wǎng)絡(luò)學習算法的計算精度，需要引入極限學習機算法，通過改變權(quán)值的設(shè)定方式，達到提高計算精度的目的。

1 基于極限學習機算法的定位導航流程

圖像識別技術(shù)是農(nóng)機導航視覺設(shè)計的核心。與定位導航原理不同，采用機器視覺進行導航時需要對大量圖像進行實時處理，以獲得果實或者果樹的位置坐標。特別是成熟果實的識別，在進行定位時采摘農(nóng)機需要對成熟度較高的果實進行優(yōu)先采摘，因此還需要根據(jù)顏色特征對圖像進行處理，最后根據(jù)對成熟果實圖像的位置識別實現(xiàn)自主定位。

在農(nóng)機導航系統(tǒng)中，成熟果實圖像的識別是定位導航的核心部分，因此在定位之前首先需要對采集的果實和果樹圖像進行處理。圖像處理可采用極限學習機算法，通過對圖像的處理達到圖像智能分類的目的，確定成熟果實圖像的坐標位置，然后通過采摘農(nóng)機的路徑規(guī)劃實現(xiàn)農(nóng)機采摘過程自主定位功能，如圖1所示。

圖1 基于極限學習機的果實圖像識別流程

extreme learning machine

2 極限學習機神經(jīng)網(wǎng)絡(luò)算法及其精度測試

神經(jīng)網(wǎng)絡(luò)算法是目前最常用的機器學習算法，其效率和精度主要與輸入輸出層和隱含層之間的權(quán)值相關(guān)。權(quán)值的選取往往需要根據(jù)經(jīng)驗來選取，計算精度較低，效率差。如果能實現(xiàn)權(quán)值的隨機選取，將輸入輸出層和隱含層的權(quán)值計算轉(zhuǎn)換為最小二乘最優(yōu)解問題，可以有效提高神經(jīng)網(wǎng)絡(luò)泛化能力及神經(jīng)網(wǎng)絡(luò)學習速度。

圖2為基于極限學習機的神經(jīng)網(wǎng)絡(luò)算法基本模型。神經(jīng)網(wǎng)絡(luò)算法是圖像分割識別的重要算法，假設(shè)在進行神經(jīng)網(wǎng)絡(luò)訓練時有N幅圖像數(shù)據(jù)樣本，輸入和輸出樣本數(shù)據(jù)分為

xi=[xi1,xi2,…xin]T∈Rn,t=[ti1,ti2,…tim]T∈Rm

i=1,2,…,N

(1)

隱藏層節(jié)點數(shù)為L，則標準單隱含層神經(jīng)網(wǎng)絡(luò)可表示為

(2)

由公式(2)可知：閾值在輸出層位置是缺失的，因此輸入的權(quán)值和隱含層的偏置就不需要再調(diào)整，可以直接利用輸出層的權(quán)值，建立神經(jīng)網(wǎng)絡(luò)驅(qū)動模型。其表達式為

Hβ=T

(3)

其中，H為隱藏層輸出矩陣；β為輸出權(quán)值矩陣；T為輸出矩陣。在ω和b固定時，經(jīng)過激活函數(shù)將H在高維呈現(xiàn)線性關(guān)系，利用最小二乘法可得

(4)

其中，(H+)T表示樣本輸入層經(jīng)過隱藏層后的輸出矩陣的Moore-Penrose廣義逆矩陣。為了驗證極限學習機神經(jīng)網(wǎng)絡(luò)算法的計算速度和精度，對一組坐標數(shù)據(jù)進行處理，以得到定位數(shù)據(jù)，計算機結(jié)果如下：

ELM('diabetes_train', 'diabetes_test', 1, 20, 'sig')

TrainingTime =

0.0568

TestingTime =

0

TrainingAccuracy =

0.9796

TestingAccuracy =

0.9868

圖2 極限學習機神經(jīng)網(wǎng)絡(luò)算法模型Fig.2 The neural network algorithm model of extreme learning machine

由實驗結(jié)果可得，極限學習機方法具有耗時短、效率高等優(yōu)點。將不同學習算法的計算結(jié)果進行了統(tǒng)計，結(jié)果如表1所示。

表1 不同學習算法精度測試

計算結(jié)果表明：相對于其他兩種算法，基于極限學習機的BP神經(jīng)網(wǎng)絡(luò)算法計算精度更高。

3 基于極限學習機的農(nóng)機導航系統(tǒng)測試

為了驗證方案的可行性，對其圖像處理能力進行測試。要想實現(xiàn)農(nóng)機的自動導航功能，首先需要對待作業(yè)的果樹進行識別，結(jié)果如圖3所示。

圖3 果樹采集識別圖像

工作時，首先對傳感器采集得到的果樹圖像進行處理，通過灰度值的改變提取果樹的基本輪廓，然后對某個成熟度范圍內(nèi)的果實進行定位。定位結(jié)果如圖4所示。

圖4 果實閾值分割圖像

在果樹特征提取后，基于極限學習機的神經(jīng)網(wǎng)絡(luò)算法可以成功地實行果實特征的提取。為了驗證其測量和提取的精度，將計算得到的果實面積和實際果實面積進行了對比，結(jié)果如表2所示。

表2 果實面積圖像計算值和實際值對比

Table 2 Comparison of fruit area image calculation value and actual value

測試編號實際面積/cm2計算面積/cm21162.1158.32163.2152.83159.1156.24158.3155.35156.2158.96176.3179.2

由表2可知：計算得到的果實面積和實際測量面積基本吻合，從而驗證了計算的可靠性。

通過攝像機采集果實和果樹特征圖像后，需要對圖像進行處理，提取圖像主要特征，建立圖像坐標系，然后組建相機空間坐標系，從而獲得像素點的相機空間坐標，實現(xiàn)三維重構(gòu)；最后根據(jù)果實和果樹的方位和坐標，實現(xiàn)快速導航功能。對快速導航所耗時間進行了統(tǒng)計，得到了如表3所示的計算結(jié)果。為了驗證極限學習機算法計算的快速性，對定位導航所需時間進行了統(tǒng)計，結(jié)果表明：采用極限學習機算法后定位時間有了明顯縮短，定位效率有所提高。

對基于極限學習機的農(nóng)機定位精度進行了測試，結(jié)果如表4所示。由表4可以看出：在農(nóng)機導航系統(tǒng)中使用極限學習定位算法后，定位精度有了明顯提升，可以滿足農(nóng)機定位導航系統(tǒng)的設(shè)計需求。

表3 快速定位時間測試

表4 導航精度測試

續(xù)表4 %

4 結(jié)論

為了提高采摘機械導航系統(tǒng)的效率和精度，在視覺導航圖像處理系統(tǒng)中引入了基于極限學習機的神經(jīng)網(wǎng)絡(luò)算法，通過對成熟果實圖像的快速識別，得到果實圖像的坐標，達到了快速定位的目的。為了驗證方案的可行性，對基于極限學習機的定位導航所需時間和定位精度進行了測試，結(jié)果表明：采用機械學習機后明顯地提高了導航效率，定位導航耗時少、精度高，可以滿足農(nóng)機定位導航系統(tǒng)的設(shè)計需求。